基于遗传算法的粗糙集属性约简算法

属性约简是粗糙集理论中的一个核心问题，为了有效获取属性最小相对约简，本文提出了一种基于遗传算法的粗糙集属性约简算法．该算法将核引入遗传算法的初始群体来提高算法的性能，依照决策属性对条件属性的依赖度，在加强局部搜索能力的同时保持了该算法全局寻优的特性，能够获得最佳的搜索效果．实验结果证明了该算法能够快速有效的进行属性约简。     

基于GA-PSO混合算法的最小属性约简

属性约简是粗糙集理论中的核心问题,为有效进行属性的最小约简,将一种GA-PSO混合算法应用于属性约简。该算法在保证寻优能力的前提下,增加群体的多样性,避免陷入局部最优,同时,在适应度函数中加入罚函数。实验结果证明该算法能有效地进行属性约简,取得良好的约简结果。     

基于遗传粒子群和粗糙集的最小属性约简算法

阐述了粗糙集理论、遗传约简算法和粒子群约简算法。属性约简是知识发现的关键问题之一。传统的属性约简算法都是串行搜索的,算法效率低且收敛速度慢。将计算智能和粗糙集相结合,提出了一种基于遗传粒子群和粗糙集的最小属性约简算法。该算法利用属性依赖度计算属性核,并在种群初始化时引入属性核作为限制条件,动态调整适应度函数,以达到求得最小属性约简的目的。实验表明,对于数据量大、属性维度高的属性约简问题,该算法具有高效的处理能力。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

基于量子粒子群优化的最小属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出一种基于量子粒子群优化算法的粗糙集属性约简算法。该算法通过引入自适应参数使得算法在保证取得的是一个约简的情况下尽可能地减少所包含的属性数目,并期望能够获得理想的约简结果。试验结果证明该算法能有效地进行属性约简,并取得良好的约简结果。     

一种新的属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出了一种新的基于相对差异比较表的属性约简算法。该算法给出了一种将信息表转化为相对差异比较表的方法,且该方法对于不相容决策表也是可行的,进而就将求解最小属性约简问题转化为求解一个0-1整数规划问题,并分别采用一般求解规划问题的方法和遗传算法两种方法来求解这个0-1整数规划问题。实验结果证明该算法结合遗传算法能够更加快速有效地进行属性约简。     

基于回溯搜索算法的决策粗糙集属性约简

属性约简是粗糙集理论的核心问题,为了获得更多更稳定的最小属性约简,根据决策粗糙集模型将最小属性约简问题转化为决策风险最小化问题,并给出了新的适应度函数计算方法;在此基础上利用回溯搜索算法较强的全局搜索性能,提出了基于回溯搜索算法的决策粗糙集属性约简算法;对UCI数据集的实验结果以及与其他约简算法的比较表明,该算法能够得到更多的最小属性约简,而且能够在多次运行中保持约简结果个数的稳定性。     

一种新的属性约简算法

属性约简是粗糙集理论中的一个核心问题,为了有效获取属性最小相对约简,提出了一种新的基于相对差异比较表的属性约简算法.该算法给出了一种将信息表转化为相对差异比较表的方法,且该方法对于不相容决策表也是可行的,进而就将求解最小属性约简问题转化为求解一个0-1整数规划问题,并分别采用一般求解规划问题的方法和遗传算法两种方法来求解这个0-1整数规划问题.实验结果证明该算法结合遗传算法能够更加快速有效地进行属性约简.     

基于粒子群的不完备决策表属性约简PSOIDTAR法

属性约简是粗糙集理论的一个核心部分。由于经典的粗糙集模型对不完备信息系统不适应,通过把属性约简问题归结为0-1组合优化问题,提出了一种应用二进制粒子群算法来求解属性约简的方法。通过引入近似分类精度和近似分类质量,为获得最小约简确定了有效合理的粒子适应度函数。仿真实验结果表明该算法能得到最小相对约简,且具有较高的运算效率。     

基于遗传算法的属性约简新方法

属性约简是粗糙集理论的一个核心问题,而求解最小约简是NP-Hard问题。为了有效获取最小相对约简,提出一种基于遗传算法的粗糙集属性约简算法,算法将属性核加入遗传算法的初始种群来增加收敛速度,而且在适应度函数中,引入决策属性对条件属性的依赖度,使算法既保证全局寻优的特性又具有加强局部搜索的能力,能够获得最优的搜索效果。该算法通过实例分析,证明是求解属性约简问题的快速有效方法。     

变精度集对粗糙集模型中的属性约简

属性约简是粗糙集理论的核心内容之一。论文是继续文献[8]的工作,在变精度集对粗糙集模型的基础上,定义了变精度的重要性算子和变精度的近似约简等概念,并由此给出了一种属性约简的启发式算法。算法既能保证属性约简的准确性,又能增加其灵活性,它可以通过对相似度α和精度β的调节,按照广度优先搜索策略,从条件属性集中逐一删除重要性最小的属性,从而得到一个满足相似度和精度要求的近似约简。同时,它也是完备信息系统的属性约简算法的推广(当α=1,β=0时)。最后通过一个实例,分析说明算法的可行性和有效性。     

一种基于Rough集理论的属性约简启发式算法

属性约简是知识发现中的关键问题之一．为了能够有效地获取决策表中属性的最小相对约简，在Rough集理论的基础上构造了一个新的算子，将信息论角度定义的属性的重要性作为启发式信息，来描述在决策表中条件属性所提供的知识对决策属性的影响；并采用宽度优先搜索策略，提出了一种新的属性约简启发式算法．以原始条件属性集为起点并结合算子，通过向属性核的递减式逼近，得到属性的最小相对约简．实例分析表明，该算法能有效地对决策表属性进行约简．     

一种基于粗糙集理论的快速并行属性约简算法

将并行计算的思想融入基于粗糙集理论的快速属性约简中,提出了一种基于粗糙集理论的快速并行属性约简算法.该算法在保证约简结果是Pawlak约简的情况下,将属性约简任务划分到多个处理器中同时处理,从而大大提高了属性约简的效率.仿真实验结果说明了该算法的高效性.     

基于粗糙集的增量式属性约简算法研究

属性约简是粗糙集理论研究中的重要内容之一,现已证明寻找信息系统的最小约简是NP-hard问题。本文参考普通的增量式数据挖掘算法,提出一种改进的增量式属性约简算法,该算法在执行效率上比其他属性约简算法有了很大的提高,最后通过实例分析验证了算法的可行性和有效性。     

基于Rough集的交叉覆盖算法设计

1.引言人工神经网络因其特有的信息处理能力和独到的解算能力取得了长足的发展,引起各方面的广泛关注,当前已经有许多人工神经网络模型在视觉、语言、信号处理、自动控制、函数逼近、金融证券等领域获得成功的应用,但诸如BP网络等模型也存在一些带有共性的缺点,比如:学习和训练时间很长、学习收敛性很难保证。文[2]根据神经元的几何意义提出的     

粗糙集属性约简算法研究

粗糙集理论是一个新的处理不确定性问题的数学工具，属性约简是粗糙集理论的核心问题之一。但求解最优约简已被证明是一个NP—hard问题。基于属性重要度的启发式算法在属性约简中应用的较多．文中分别介绍了基于区分矩阵、基于相关矩阵和基于信息量的属性约简算法。对其思想进行了剖析和总结。     

基于有序差别集和属性重要性的属性约简

针对粗糙集理论的属性约简问题,提出新的差别矩阵简化算法,该算法在无需排序和较少通历次数的情况下 简化了差别矩阵,明显提高了简化速度并最终得到简化的有序差别集。实验验证了该算法的高效性;给出度量属性重 要性的新标准,即根据属性所在差别矩阵元素的权重、在差别集中出现的频数和吸收能力3方面来度量其重要性;在 上述两者基础上,提出一种基于有序差别集和属性重要性的属性约简新方法,理论分析证明新方法的最坏时间复杂度 低于其它基于差别矩阵的属性约简算法。大量实验结果也表明,新方法的有效性甚至可以在很大程度上得到最小属 性约简。     

一种基于并行遗传算法的粗糙集属性约简

指出现有粗糙集属性约简算法的不足,考虑并行遗传算法在处理大型数据库上的特有优势,将粗糙熵作为粗糙集不确定性的度量,给出一种求解信息系统约简集的三群体并行遗传算法.最后通过实例计算表明该算法能快速有效求解属性约简,而且对大规模数据样本的信息系统效果更为明显.     

一种基于组合变换的粗糙集属性约简算法

粗糙集的核心问题是知识的约简和获取。该文提出一种基于组合变换的粗糙集属性约简算法,此算法基于数理逻辑的组合推理,采用核属性和单属性进行过滤,并用超集关系对候选约简进行消减。分析表明,算法具有较好的时间复杂度和空间复杂度。     

连续值属性决策表中的可变精度粗糙集模型及属性约简

属性约简是粗糙集理论研究的一个核心问题.为了有效地处理决策表中连续值属性约简,提出了连续值属性决策表中的可变精度粗糙集模型以及基于此模型的连续值属性约简算法.仿真实验结果表明,该算法可以对连续值属性进行约简,而且比经典粗糙集相关方法在处理连续值属性约简方面更有效.